コンピュータグラフィックスとデジタルイメージング（英語版）では、画像スケーリング（がぞうスケーリング、英語: Image scaling）は、デジタル画像のサイズ変更を指す。ビデオ技術では、デジタル素材の拡大はアップスケーリングまたは解像度向上技術（英語版）として知られている。

ベクトルグラフィックイメージをスケーリングする場合、イメージを構成するグラフィックプリミティブは、画質（英語版）を損なうことなく、幾何学的変換を使用してスケーリングできる。ラスターグラフィックス画像を拡大縮小する場合、ピクセル数が多いまたは少ない新しい画像を生成する必要がある。ピクセル数を減らす（スケールダウンする）場合、これは通常、目に見える品質の低下をもたらす。デジタル信号処理の観点から、ラスターグラフィックスのスケーリングは、サンプリング周波数変換の2次元の例であり、離散信号をサンプリングレート（この場合はローカルサンプリングレート）から別のサンプリングレートに変換する。
数学上

画像スケーリングは、ナイキストサンプリング定理の観点から、画像のリサンプリングまたは画像の再構成の形式として解釈できる。定理によれば、高解像度のオリジナルからより小さな画像へのダウンサンプリングは、エイリアシングアーチファクトを防ぐために適切な2Dアンチエイリアシングフィルター（英語版）を適用した後にのみ実行できる。画像は、小さい画像で運ぶことができる情報に縮小される。

アップサンプリングの場合、アンチエイリアシングフィルターの代わりに再構成フィルター（英語版）が使用される。

元の160x160pxの画像

空間周波数領域の元の画像

2Dローパスフィルタ処理されているが、160x160pxのままである

空間周波数領域でフィルタリングされた画像


ローパスフィルター処理された160x160pxの画像を40x40pxに4倍ダウンサンプリング 

40x40pxのダウンサンプリングされた画像の160x160pxへの4倍フーリエアップサンプリング（正しい再構成）

40x40pxのダウンサンプリングされた画像の160x160pxへの4倍フーリエアップサンプリング（エイリアシングあり）

アップスケーリングへのより洗練されたアプローチは、問題を逆問題として扱い、スケールダウンすると入力画像のように見えるもっともらしい画像を生成するという問題を解決する。これには、正則化項を使用した最適化手法や例からの機械学習の使用など、さまざまな手法が適用される。
アルゴリズム

 画像サイズはいくつかの方法で変更できる。
最近隣内挿法

画像サイズを大きくする簡単な方法の1つは、最近隣内挿法（英語版）で、すべてのピクセルを出力内の最も近いピクセルに置き換える。アップスケーリングの場合、これは同じ色の複数のピクセルが存在することを意味する。これにより、ピクセルアートの鮮明なディテールを維持できるが、以前は滑らかだった画像にジャギーが生じる。最近傍の「最近傍」は、数学的に最も近い必要はありません。一般的な実装の1つは、常にゼロに向かって丸めることです。このように丸めると、アーティファクトが少なくなり、計算が速くなります。
バイリニアおよびバイキュービックアルゴリズム

バイリニア補間（英語版）は、ピクセルの色の値を内挿することで機能し、元のマテリアルに離散的な遷移がある場合でも、出力に連続的な遷移を導入する。これは連続トーン画像には望ましいが、このアルゴリズムは、線画には望ましくない方法でコントラスト（英語版）（シャープなエッジ）を低減する。バイキュービック補間（英語版）は、計算コストの増加とともに、大幅に優れた結果をもたらす。
シンクとランチョスのリサンプリング

理論上、シンク・リサンプリング（英語版）は、完全に帯域制限された信号に対して可能な限り最良の再構成を提供する。実際には、シンク・リサンプリングの背後にある仮定は、実際のデジタル画像では完全には満たされていない。シンク法の近似であるランチョス・リサンプリング（英語版）は、より良い結果をもたらす。バイキュービック補間は、ランチョス・リサンプリングの計算効率の高い近似と見なすことができる。
ボックスサンプリング

バイリニア、バイキュービック、および関連するアルゴリズムの1つの弱点は、特定の数のピクセルをサンプリングすることである。すべてのバイサンプリングアルゴリズムで2回以上など、特定のしきい値を下回るダウンスケーリングを行うと、アルゴリズムは隣接していないピクセルをサンプリングするため、データが失われ、大まかな結果が生じる。

この問題の簡単な解決策は、ボックスサンプリングです。これは、ターゲットピクセルを元の画像のボックスと見なし、ボックス内のすべてのピクセルをサンプリングすることである。これにより、すべての入力ピクセルが出力に寄与することが保証される。このアルゴリズムの主な弱点は、最適化が難しい。
ミップマップ

バイサンプリングスケーリングのダウンスケール問題に対する別の解決策は、ミップマップである。ミップマップは、事前にスケーリングされたダウンスケールコピーのセット。ダウンスケーリングする場合、最も近い大きなミップマップが原点として使用され、双一次スケーリングの有用なしきい値を下回るスケーリングが使用されないようにする。このアルゴリズムは高速で、最適化が簡単です。これは、OpenGLなどの多くのフレームワークで標準となっている。コストはより多くの画像メモリを使用することであり、標準の実装ではちょうど3分の1。
フーリエ変換法

フーリエ変換に基づく単純な補間は、周波数領域にゼロ成分を埋め込む（スムーズなウィンドウベースのアプローチはリンギング（英語版）を低減する）。詳細の良好な保存（または回復）に加えて、注目すべきは、左の境界から右の境界への（およびその逆の）コンテンツのリンギングと循環ブリーディングである。
エッジ指向補間

エッジ指向補間アルゴリズムは、階段のアーチファクトを導入する可能性がある他のアルゴリズムとは異なり、スケーリング後に画像のエッジを保持することを目的としている。

このタスクのアルゴリズムの例には、新しいエッジ指向補間（NEDI）[1][2]、エッジガイド画像補間（EGGI）[3]、　反復曲率ベース補間（ICBI）、 [4]および方向性3次畳み込み補間（英語版）（DCCI）[5]。2013年の分析では、一連のテスト画像でDDCIのPSNRとSSIM（英語版）のスコアが最高であることがわかった[6]。
hqx

低解像度および/または少数の色（通常は2?256色）のコンピュータグラフィックスを拡大する場合、hqxまたは他のピクセルアート・スケーリング・アルゴリズム（英語版）によってより良い結果を得ることができる。これらは鋭いエッジを生成し、高レベルの詳細を維持する。
ベクトル化

ベクトル抽出、またはベクトル化は、別のアプローチを提供します。ベクトル化は、最初に、スケーリングされるグラフィックの解像度に依存しないベクトル表現を作成します。次に、解像度に依存しないバージョンが、目的の解像度でラスターイメージとしてレンダリングされます。この手法は、Adobe Illustrator 、Live Trace、およびInkscapeで使用されています[7]。スケーラブル・ベクター・グラフィックスは単純な幾何学的画像に適しているが、写真は複雑であるため、ベクトル化には適していない。
深層畳み込みニューラルネットワーク

この方法では、機械学習を使用して、写真や複雑なアートワークなどのより詳細な画像を取得する。この方法を使用するプログラムには、waifu2x、Imglarger、NeuralEnhanceが含まれる。.mw-parser-output .tmulti .thumbinner{display:flex;flex-direction:column}.mw-parser-output .tmulti .trow{display:flex;flex-direction:row;clear:left;flex-wrap:wrap;width:100%;box-sizing:border-box}.mw-parser-output .tmulti .tsingle{margin:1px;float:left}.mw-parser-output .tmulti .theader{clear:both;font-weight:bold;text-align:center;align-self:center;background-color:transparent;width:100%}.mw-parser-output .tmulti .thumbcaption{background-color:transparent}.mw-parser-output .tmulti .text-align-left{text-align:left}.mw-parser-output .tmulti .text-align-right{text-align:right}.mw-parser-output .tmulti .text-align-center{text-align:center}@media all and (max-width:720px){.mw-parser-output .tmulti .thumbinner{width:100%!important;box-sizing:border-box;max-width:none!important;align-items:center}.mw-parser-output .tmulti .trow{justify-content:center}.mw-parser-output .tmulti .tsingle{float:none!important;max-width:100%!important;box-sizing:border-box;align-items:center}.mw-parser-output .tmulti .trow>.thumbcaption{text-align:center}}イーヴリン・ド・モーガンによる Phosphorus and Hesperus （クリックするとフルサイズ）を使用した、従来のアップスケーリングとノイズリダクションを使用したWaifu2xアップスケーリングのデモンストレーション。元の画像PaintShop Proを使用して200％アップスケールされた画像。waifu2xを使用して200％アップスケールされた画像。